博文
面向执行器故障的混合一阶与二阶非线性多智能体系统容错模糊迭代学习控制
||
多智能体系统的协同控制是无人机编队、智能电网和工业自动化等领域的关键技术。然而，实际系统中，智能体往往具有不同动态阶次（一阶与二阶共存），并同时面临未知非线性、外部扰动及执行器故障等多重挑战。现有方法或是局限于同质系统，或是缺乏容错能力，或是未能有效利用迭代学习的天然优势。
针对这一局面，本文提出一种容错模糊迭代学习控制框架，首次将模糊逼近、自适应迭代学习与容错机制进行系统性整合，为复杂多智能体系统的可靠协同控制提供了全新思路。通过严格的Lyapunov分析和机械臂轨迹跟踪仿真，即使在增益衰减与偏置漂移等多重故障条件下，该方法仍能确保跟踪误差在有限迭代次数内收敛至极小水平。
该研究为提升无人机编队、智能电网等关键场景下系统的鲁棒性与安全性，提供了切实可行的理论工具与技术参考。
Fault-tolerant fuzzy iterative learning control of hybrid first- and second-order nonlinear multi-agent systems with actuator faults (面向执行器故障的混合一阶与二阶非线性多智能体系统容错模糊迭代学习控制)
作者：Hejing Li1 , Junbin Gong1 , Qiongxiao Liu23
机构：1 汉江国家实验室；2 华中科技大学船舶与海洋工程学院；3 中国舰船研究设计中心
引用：Li, H., Gong, J., Liu, Q. Fault-tolerant fuzzy iterative learning control of hybrid first- and second-order nonlinear multi-agent systems with actuator faults. Control Theory Technol. (2026). https://doi.org/10.1007/s11768-026-00330-9
全文链接: https://rdcu.be/fwGFp
摘要
本文研究了受执行器故障影响的混合阶非线性多智能体系统（MASs）的容错模糊迭代学习控制（ILC）问题。所考虑的MASs由一阶和二阶智能体组合而成，包含非线性未建模动态以及执行器偏置故障和增益故障。为应对这些挑战，提出了一种新颖的容错模糊ILC方案：采用模糊逻辑系统逼近未知非线性动态，利用Nussbaum增益函数和自适应迭代学习策略补偿未知的模糊权重参数和执行器故障，并设计了一种类Lyapunov函数严格分析跟踪误差的收敛性。仿真结果表明，该方法能实现快速收敛和强鲁棒性，即使面对同时存在的增益和偏置故障，跟踪误差仍收敛至极小水平。
引言
多智能体系统(MASs)的协同控制是当前自动化与人工智能交叉领域的研究热点。在无人机编队、智能仓储和多机器人协作等应用中，系统中往往同时存在不同动态阶次的智能体——例如部分机器人仅受速度控制（一阶），而部分机器人需同时控制位置和速度（二阶）。这种"混合阶"特征给系统的一致性控制带来了极大挑战。
更为棘手的是，现实世界中的MASs面临三重困境：其一，系统动态往往未知且高度非线性，传统基于精确模型的控制器难以适用；其二，执行器不可避免地会出现故障——无论是因磨损导致的增益衰减（乘性故障），还是因传感器漂移引起的输出偏置（加性故障），都会严重破坏系统性能；其三，许多工业场景中的任务是重复性执行的，如装配线上的周期性操作，若能从前次经验中学习，性能可大幅提升，但现有控制方法较少能将"迭代学习"与"容错控制"统一考虑。
现有研究虽然分别在模糊逼近、迭代学习控制和容错控制方面取得了显著进展，但存在三个关键问题：
(1) 模糊容错控制主要面向单体系统，缺乏分布式协调能力；
(2) 混合阶MASs控制通常假设非重复性任务和无故障条件；
(3) 迭代学习控制尚未系统性地解决混合阶系统的容错问题。
针对上述挑战，本文提出了一种全新的容错模糊迭代学习控制框架。该框架的核心创新在于：
1、三重集成架构：将模糊逻辑系统（逼近未知非线性）、Nussbaum增益技术（处理执行器故障引起的未知控制方向）和自适应迭代学习机制有机融合，实现了"逼近-补偿-学习"的协同增效。
2、无需先验故障信息：通过自适应律在线估计执行器的增益衰减和偏置值，不依赖故障检测与诊断模块，显著提升了工程实用性。
3、严格的理论保证：利用类Lyapunov函数法证明了跟踪误差在有限迭代次数内收敛至有界区域，为实际部署提供了理论基础。
4、全面的实验验证：在混合阶、部分二阶和同质机械臂三种典型场景下进行了仿真，均展现出优于现有方法的收敛速度和鲁棒性。
结论
本文针对混合一阶与二阶非线性多智能体系统在执行器故障下的协同控制问题，提出了一种容错模糊迭代学习控制框架。理论分析证明了全局收敛性，仿真实验在三种典型场景下验证了其有效性。该方法将模糊逼近、迭代学习和容错控制有机统一，为复杂工程系统中的可靠协同控制提供了解决方案。未来工作将拓展至时变拓扑网络、分布式故障诊断以及多机器人协作等实际应用场景。
作者介绍
Hejing Li 于2015年在西安电子科技大学获得信息与通信工程硕士学位。现任汉江国家实验室副研究员。研究方向包括多智能体系统、智能控制与协同控制。
Junbin Gong 于2008年在华中科技大学获得模式识别与智能系统博士学位。现任汉江国家实验室研究员。研究方向包括无人系统集群控制。
Qiongxiao Liu 于2025年在华中科技大学获得机械工程博士学位。现任中国舰船研究设计中心高级工程师。研究方向包括无人系统协同控制、AUV设计与应用。
相关链接
Control Theory and Technology 2024-2025年期刊合集（中文介绍）
2024-2025刊期合集（英文）
Volume 23 (February - November 2025)
Issue 3, 2025 - Special issue on ADRC: New ADRC developments in Ibero-America
Volume 22 (February - November 2024)
Issue 3, 2024 - Special issue on analysis and control of complex systems in honor of the 90th birthday of Professor Huashu Qin
Issue 2, 2024 - Special issue on system identification and estimation
期刊简介
欢迎扫码进入期刊主页
Control Theory and Technology (CTT), 中文名《控制理论与技术》, 创刊于2003年，原刊名为Journal of Control Theory and Applications，2014年刊名更改为Control Theory and Technology。由华南理工大学与中国科学院数学与系统科学研究院联合主办，主要报道系统控制科学中具有新观念、新思想的理论研究成果及其在各个领域中的应用。目前被 ESCI (JIF 1.9)、EI、Scopus (CiteScore 3.2)、CSCD、INSPEC、ACM 等众多数据库收录, 并于2013–2018年获得两期中国科技期刊国际影响力提升计划项目资助。2017–2021年连续获得“中国最具国际影响力学术期刊”和“中国国际影响力优秀学术期刊”称号，获得广东省高水平科技期刊建设项目I期(2021-2024年)和II期，2022-2025年进入中国科协自动化学科领域高质量科技期刊目录。
官网：https://link.springer.com/journal/11768 (即http://www.springer.com/11768)
https://jcta.ijournals.cn/cta_en/ch/index.aspx
投稿：https://mc03.manuscriptcentral.com/ctt
微信：ControlTheoryTech （欢迎扫码关注期刊微信公众号）
X (Twitter): CTT_Journal
微博：ControlTheoryTech
Email：jcta@scut.edu.cn
Tel：020-8711 1464
https://blog.sciencenet.cn/blog-3635716-1550592.html
上一篇：渤海大学与南洋理工大学、图卢兹大学联合 | 基于降阶观测器的非线性多智能体系统自适应动态事件触发跟踪控制
